Wann verwende ich Relatives Risiko und wann Odds Ratio?

Relatives Risiko ist das Maß der Wahl in Kohortenstudien, RCTs und Querschnittsstudien — überall dort, wo die Inzidenz schätzbar ist. In Fall-Kontroll-Studien und logistischen Regressionsmodellen wird stattdessen die Odds Ratio verwendet, weil das RR dort nicht direkt berechenbar ist.

Was bedeutet ein RR von 1,0?

Ein RR von 1,0 bedeutet, dass die Erkrankungswahrscheinlichkeit in beiden Gruppen identisch ist — die Exposition hat keinen Effekt. Wenn das 95%-Konfidenzintervall die 1 einschließt, ist ein Unterschied statistisch nicht nachweisbar.

Wie interpretiere ich ein RR < 1?

Ein RR kleiner als 1 bedeutet, dass die Exposition vor dem Ereignis schützt. RR = 0,7 entspricht einer relativen Risikoreduktion von 30 % gegenüber der Kontrollgruppe. Wichtig ist immer der Abgleich mit den absoluten Risiken — eine relative Reduktion um 50 % von 0,02 % auf 0,01 % ist klinisch unbedeutend.

Sind RR und Odds Ratio bei seltenen Ereignissen gleich?

Sie nähern sich an, sind aber nicht identisch. Bei einer Inzidenz unter ca. 10 % weichen RR und OR meist um weniger als 10 % voneinander ab. Bei Inzidenzen über 20 % überschätzt die Odds Ratio den Effekt systematisch — sie sollte dann nicht als Approximation des RR interpretiert werden.

Wie berechne ich das Konfidenzintervall für das RR?

Über den natürlichen Logarithmus: ln(RR) ist annähernd normalverteilt mit Standardfehler √(1/a − 1/(a+b) + 1/c − 1/(c+d)). Das 95%-KI ergibt sich durch exp(ln(RR) ± 1,96 · SE). Software (R, SPSS, epitools) übernimmt das automatisch.

Was ist die Number Needed to Treat (NNT) und wie hängt sie mit dem RR zusammen?

Die NNT ist die Anzahl Patienten, die behandelt werden müssen, damit ein zusätzliches Ereignis verhindert wird. Sie wird berechnet als 1 / absolute Risikoreduktion (1/ARR). NNT und RR ergänzen sich: Das RR liefert das relative Effektmaß, die NNT die klinische Größenordnung.

Kann ich das RR auch bei multiplen Risikofaktoren adjustieren?

Ja, über die Poisson-Regression mit robusten Standardfehlern oder die log-binomiale Regression. Beide Modelle liefern adjustierte RR. Eine logistische Regression liefert dagegen Odds Ratios — bei häufigen Ereignissen ist das nicht äquivalent zum RR.

Warum sehe ich in vielen Publikationen nur Odds Ratios statt RR?

Weil die logistische Regression das Standardverfahren für binäre Outcomes ist und automatisch Odds Ratios ausgibt. Bei häufigen Ereignissen (Inzidenz > 10 %) führt das jedoch zu einer Überschätzung des Effekts. Bei prospektiven Designs sollte daher gezielt das RR via Poisson- oder log-binomialer Regression berechnet werden.

Relatives Risiko (RR): Definition, Berechnung & Interpretation

Q: Wie interpretiere ich ein RR < 1?

Ein RR kleiner als 1 bedeutet, dass die Exposition vor dem Ereignis schützt. RR = 0,7 entspricht einer relativen Risikoreduktion von 30 % gegenüber der Kontrollgruppe. Wichtig ist immer der Abgleich mit den absoluten Risiken — eine relative Reduktion um 50 % von 0,02 % auf 0,01 % ist klinisch unbedeutend.

Q: Sind RR und Odds Ratio bei seltenen Ereignissen gleich?

Sie nähern sich an, sind aber nicht identisch. Bei einer Inzidenz unter ca. 10 % weichen RR und OR meist um weniger als 10 % voneinander ab. Bei Inzidenzen über 20 % überschätzt die Odds Ratio den Effekt systematisch — sie sollte dann nicht als Approximation des RR interpretiert werden.

Q: Wie berechne ich das Konfidenzintervall für das RR?

Über den natürlichen Logarithmus: ln(RR) ist annähernd normalverteilt mit Standardfehler √(1/a − 1/(a+b) + 1/c − 1/(c+d)). Das 95%-KI ergibt sich durch exp(ln(RR) ± 1,96 · SE). Software (R, SPSS, epitools) übernimmt das automatisch.

Q: Was ist die Number Needed to Treat (NNT) und wie hängt sie mit dem RR zusammen?

Die NNT ist die Anzahl Patienten, die behandelt werden müssen, damit ein zusätzliches Ereignis verhindert wird. Sie wird berechnet als 1 / absolute Risikoreduktion (1/ARR). NNT und RR ergänzen sich: Das RR liefert das relative Effektmaß, die NNT die klinische Größenordnung.

Q: Kann ich das RR auch bei multiplen Risikofaktoren adjustieren?

Ja, über die Poisson-Regression mit robusten Standardfehlern oder die log-binomiale Regression. Beide Modelle liefern adjustierte RR. Eine logistische Regression liefert dagegen Odds Ratios — bei häufigen Ereignissen ist das nicht äquivalent zum RR.

Q: Warum sehe ich in vielen Publikationen nur Odds Ratios statt RR?

Weil die logistische Regression das Standardverfahren für binäre Outcomes ist und automatisch Odds Ratios ausgibt. Bei häufigen Ereignissen (Inzidenz > 10 %) führt das jedoch zu einer Überschätzung des Effekts. Bei prospektiven Designs sollte daher gezielt das RR via Poisson- oder log-binomialer Regression berechnet werden.

Das Relative Risiko (RR) vergleicht die Erkrankungswahrscheinlichkeit zweier Gruppen in Kohortenstudien. Definition, Formel, Interpretation, Konfidenzintervall und Berechnung in SPSS und R.

📊 Risikomaße · ⏱️ 8 Min. · Aktualisiert 2026-05-10

Definition

Das Relative Risiko (RR), auch Risk Ratio oder Risikoverhältnis, ist das Verhältnis der Inzidenz (Erkrankungswahrscheinlichkeit) in einer Expositionsgruppe zur Inzidenz in einer Kontrollgruppe. Es beantwortet die Frage: Um welchen Faktor erhöht oder verringert eine Exposition (z.B. Risikofaktor, Therapie) das Risiko, ein Ereignis (z.B. Erkrankung, Tod) zu erleiden?

Das RR ist das zentrale Effektmaß in Kohortenstudien und randomisierten kontrollierten Studien (RCTs) — also überall dort, wo die Inzidenz prospektiv erhoben werden kann. In Fall-Kontroll-Studien ist das RR nicht direkt berechenbar; dort wird stattdessen die Odds Ratio verwendet.

Merke: Das RR ist ein Quotient zweier Wahrscheinlichkeiten — nicht zweier Chancen (Odds). Bei seltenen Ereignissen (Inzidenz < 10 %) liegen RR und Odds Ratio nahe beieinander, bei häufigen Ereignissen weichen sie deutlich ab.

Formel

Ausgehend von einer 2×2-Vierfeldertafel:

	Ereignis (+)	Kein Ereignis (−)	Summe
Exponiert	a	b	a+b
Nicht exponiert	c	d	c+d

$$RR = \frac{a/(a+b)}{c/(c+d)} = \frac{\text{Inzidenz}{\text{exponiert}}}{\text{Inzidenz}{\text{nicht exponiert}}}$$

Das 95%-Konfidenzintervall wird über den natürlichen Logarithmus berechnet (da ln(RR) annähernd normalverteilt ist):

$$\text{SE}(\ln RR) = \sqrt{\frac{1}{a} - \frac{1}{a+b} + \frac{1}{c} - \frac{1}{c+d}}$$

$$95%\text{-KI} = \exp\left(\ln RR \pm 1{,}96 \cdot \text{SE}(\ln RR)\right)$$

Voraussetzungen

Studiendesign mit prospektiver Inzidenzerfassung — Kohortenstudie, RCT, Querschnittsstudie. Bei Fall-Kontroll-Studien stattdessen Odds Ratio.
Binäres Ereignis — eingetreten/nicht eingetreten (z.B. Myokardinfarkt ja/nein, Implantatverlust ja/nein).
Definierte Beobachtungszeit — alle Probanden werden vergleichbar lange beobachtet (sonst Inzidenzraten + Hazard Ratio sinnvoller).
Unabhängigkeit der Beobachtungen — keine Cluster-Effekte (z.B. mehrere Implantate pro Patient ohne Korrektur).
Ausreichende Zellbesetzung — alle Felder a, b, c, d > 5; sonst Fishers exakter Test bzw. Continuity-Korrektur.

Eine vertiefende Einordnung in den Forschungskontext findest du im Leitfaden Statistik in der Doktorarbeit.

Interpretation

RR-Wert	Bedeutung
RR = 1,0	Kein Unterschied — Exposition hat keinen Effekt
RR > 1,0	Erhöhtes Risiko durch Exposition
RR < 1,0	Vermindertes Risiko (Schutzfaktor)
RR = 2,0	Risiko in Expositionsgruppe doppelt so hoch
RR = 0,5	Risiko halbiert (50 % Risikoreduktion)

Die statistische Signifikanz wird über das 95%-Konfidenzintervall beurteilt:

KI enthält die 1 → nicht signifikant (p ≥ 0,05)
KI enthält die 1 nicht → signifikant (p < 0,05)

Praxis-Tipp: Berichte immer RR + 95%-KI + p-Wert + absolute Risiken beider Gruppen. Ein RR von 2,0 klingt dramatisch — bedeutet aber bei einer Inzidenz von 0,01 % vs. 0,02 % praktisch nichts. Die absolute Risikodifferenz (ARR) und die Number Needed to Treat (NNT = 1/ARR) liefern die klinische Einordnung.

Klinisches Anwendungsbeispiel

Studie: RCT zur Wirksamkeit eines neuen oralen Antikoagulans (OAK) vs. Standardtherapie zur Schlaganfallprävention bei Vorhofflimmern, n = 2.000, Beobachtungszeitraum 2 Jahre.

	Schlaganfall	Kein Schlaganfall	Summe
Neues OAK	30 (a)	970 (b)	1.000
Standard	60 (c)	940 (d)	1.000

Berechnung:

Inzidenz neues OAK: 30/1.000 = 3,0 %
Inzidenz Standard: 60/1.000 = 6,0 %
RR = 0,030 / 0,060 = 0,50
95%-KI: [0,33; 0,76]
p < 0,001

Interpretation: Das neue OAK halbiert das Schlaganfallrisiko (RR = 0,50; 95%-KI 0,33–0,76). Da das KI die 1 nicht enthält, ist der Effekt statistisch signifikant. Absolute Risikoreduktion (ARR) = 6,0 % − 3,0 % = 3,0 %. NNT = 1/0,03 ≈ 33 — d.h. 33 Patienten müssen 2 Jahre mit dem neuen OAK behandelt werden, um einen zusätzlichen Schlaganfall zu verhindern.

In SPSS berechnen

Analysieren → Deskriptive Statistiken → Kreuztabellen

Zeilen: Expositionsvariable (z.B. Therapie)
Spalten: Ereignisvariable (z.B. Schlaganfall)
Schaltfläche Statistiken → Häkchen bei „Risiko"
OK

Im Output-Block "Risikoschätzer" findest du:

Wert = Punktschätzer des RR
95 %-Konfidenzintervall (untere/obere Grenze)

Achtung: SPSS gibt in derselben Tabelle auch die Odds Ratio aus ("Quotenverhältnis"). Achte darauf, die richtige Zeile abzulesen — die Zeile „Für Kohorte [Ereignisvariable] = ja" enthält das RR.

Mehr Beispiele in der SPSS-Auswertungsanleitung.

In R berechnen

# Vierfeldertafel
tab <- matrix(c(30, 970, 60, 940), nrow = 2, byrow = TRUE,
              dimnames = list(Therapie = c("Neu", "Standard"),
                              Ereignis = c("Ja", "Nein")))

# Variante 1: Paket epitools
library(epitools)
riskratio(tab, rev = "rows")
# RR = 0.50, 95%-KI [0.33; 0.76], p < 0.001

# Variante 2: Paket epiR
library(epiR)
epi.2by2(tab, method = "cohort.count", conf.level = 0.95)
# liefert RR, OR, ARR, NNT in einem Aufruf

# Variante 3: manuell
a <- 30; b <- 970; c <- 60; d <- 940
RR <- (a/(a+b)) / (c/(c+d))
SE_lnRR <- sqrt(1/a - 1/(a+b) + 1/c - 1/(c+d))
KI <- exp(log(RR) + c(-1.96, 1.96) * SE_lnRR)
c(RR = RR, KI_unten = KI[1], KI_oben = KI[2])

Weitere Anwendungen in der R-Statistik-Anleitung.

Häufige Fehler

Fehler 1: RR und Odds Ratio verwechseln

Das RR ist ein Verhältnis von Wahrscheinlichkeiten, die Odds Ratio ein Verhältnis von Chancen (p/(1−p)). Bei seltenen Ereignissen ähneln sie sich, bei häufigen Ereignissen (Inzidenz > 10 %) übertreibt die Odds Ratio den Effekt deutlich. In RCTs und Kohortenstudien ist das RR das primäre Maß.

Fehler 2: RR aus Fall-Kontroll-Studien berechnen

In Fall-Kontroll-Studien ist die Inzidenz nicht schätzbar (Fälle und Kontrollen werden gezielt rekrutiert, nicht prospektiv beobachtet). Hier ist nur die Odds Ratio zulässig. Wer trotzdem ein RR berichtet, macht einen methodischen Fehler.

Fehler 3: Nur das RR berichten, ohne absolute Zahlen

Ein RR von 2,0 bei Inzidenz 1 in 1 Million vs. 2 in 1 Million ist klinisch belanglos. Immer zusätzlich absolute Risiken, ARR und NNT angeben.

Fehler 4: KI enthält die 1 → Effekt vorhanden behaupten

Wenn das 95%-KI die 1 einschließt (z.B. RR = 1,4; KI 0,9–2,1), ist der Effekt nicht signifikant. Formulierungen wie „tendenziell erhöhtes Risiko" gehören nicht in eine saubere Methodik.

Fehler 5: Kategorisierung der Expositionsvariable falsch herum

Wer die Referenzkategorie (Nenner) tauscht, bekommt 1/RR. Beispiel: RR = 0,5 (neues Medikament schützt) wird zu RR = 2,0 (Standard erhöht Risiko) — beides ist mathematisch korrekt, aber inhaltlich nur eines davon sinnvoll. Klare Definition der Referenzgruppe ist Pflicht.

Häufige Fragen

„Wann verwende ich Relatives Risiko und wann Odds Ratio?" → Relatives Risiko ist das Maß der Wahl in Kohortenstudien, RCTs und Querschnittsstudien — überall dort, wo die Inzidenz schätzbar ist. In Fall-Kontroll-Studien und logistischen Regressionsmodellen wird stattdessen die Odds Ratio verwendet, weil das RR dort nicht direkt berechenbar ist.
„Was bedeutet ein RR von 1,0?" → Ein RR von 1,0 bedeutet, dass die Erkrankungswahrscheinlichkeit in beiden Gruppen identisch ist — die Exposition hat keinen Effekt. Wenn das 95%-Konfidenzintervall die 1 einschließt, ist ein Unterschied statistisch nicht nachweisbar.
„Wie interpretiere ich ein RR < 1?" → Ein RR kleiner als 1 bedeutet, dass die Exposition vor dem Ereignis schützt. RR = 0,7 entspricht einer relativen Risikoreduktion von 30 % gegenüber der Kontrollgruppe. Wichtig ist immer der Abgleich mit den absoluten Risiken — eine relative Reduktion um 50 % von 0,02 % auf 0,01 % ist klinisch unbedeutend.
„Sind RR und Odds Ratio bei seltenen Ereignissen gleich?" → Sie nähern sich an, sind aber nicht identisch. Bei einer Inzidenz unter ca. 10 % weichen RR und OR meist um weniger als 10 % voneinander ab. Bei Inzidenzen über 20 % überschätzt die Odds Ratio den Effekt systematisch — sie sollte dann nicht als Approximation des RR interpretiert werden.
„Wie berechne ich das Konfidenzintervall für das RR?" → Über den natürlichen Logarithmus: ln(RR) ist annähernd normalverteilt mit Standardfehler √(1/a − 1/(a+b) + 1/c − 1/(c+d)). Das 95%-KI ergibt sich durch exp(ln(RR) ± 1,96 · SE). Software (R, SPSS, epitools) übernimmt das automatisch.
„Was ist die Number Needed to Treat (NNT) und wie hängt sie mit dem RR zusammen?" → Die NNT ist die Anzahl Patienten, die behandelt werden müssen, damit ein zusätzliches Ereignis verhindert wird. Sie wird berechnet als 1 / absolute Risikoreduktion (1/ARR). NNT und RR ergänzen sich: Das RR liefert das relative Effektmaß, die NNT die klinische Größenordnung.
„Kann ich das RR auch bei multiplen Risikofaktoren adjustieren?" → Ja, über die Poisson-Regression mit robusten Standardfehlern oder die log-binomiale Regression. Beide Modelle liefern adjustierte RR. Eine logistische Regression liefert dagegen Odds Ratios — bei häufigen Ereignissen ist das nicht äquivalent zum RR.
„Warum sehe ich in vielen Publikationen nur Odds Ratios statt RR?" → Weil die logistische Regression das Standardverfahren für binäre Outcomes ist und automatisch Odds Ratios ausgibt. Bei häufigen Ereignissen (Inzidenz > 10 %) führt das jedoch zu einer Überschätzung des Effekts. Bei prospektiven Designs sollte daher gezielt das RR via Poisson- oder log-binomialer Regression berechnet werden.

✅ Fachlich geprüft von PD Dr. Dr. Andreas Vollmer